iTOF vs dTOF 技术对比

Key Takeaways

  • 间接飞行时间（iToF）通过测量相位差获取深度，而直接飞行时间（dToF）通过测量光子飞行时间实现测距。
  • iToF 适用于高分辨率、短中距离场景，而 dToF 在长距离和高动态范围环境中具有优势。
  • iToF 与 dToF 在系统架构、抗多径干扰（MPI）能力、功耗及成本方面存在显著差异。

What is it?

飞行时间（Time-of-Flight, ToF）技术可分为两大类：间接飞行时间（iToF）与直接飞行时间（dToF），二者在深度获取原理和系统实现上存在本质差异。
iToF 通过调制连续光信号并测量发射与接收信号之间的相位差来计算距离，通常采用 CMOS 锁相像素阵列实现高分辨率成像。dToF 则基于单光子或多光子探测，通过记录光子从发射到接收的时间间隔（Time-of-Flight）直接计算距离。
iToF 系统通常输出稠密深度图，而 dToF 系统更常见于稀疏点云或低分辨率深度图，但具备更高的测距范围和动态范围。iToF 通过测量调制光信号的相位差获取深度，而 dToF 通过测量光子的飞行时间直接计算距离。

How does it work?

iToF 工作原理

iToF 系统发射调制频率为 f 的连续波光信号，接收端测量反射信号与发射信号之间的相位差 φ，并根据以下公式计算距离：
d = (c · φ) / (4πf)
其中 c 为光速，f 为调制频率，φ 为相位差。相位通常通过多相位采样（如四相法）计算。为扩展无歧义测距范围，iToF 系统常采用多频调制与相位解包裹算法。
iToF 的主要误差来源包括：多径干扰（MPI）、环境光噪声、相位非线性误差。

dToF 工作原理

dToF 系统通过测量光子往返时间 t 来计算距离：
d = (c · t) / 2
典型实现包括基于 SPAD（Single-Photon Avalanche Diode）的时间计数系统，结合 TDC（Time-to-Digital Converter）实现高精度时间测量。dToF 系统通常通过统计多个光子事件形成时间直方图（Histogram），并通过峰值检测或拟合算法估计距离。
dToF 的关键挑战包括：时间分辨率限制、多光子堆叠（pile-up）效应、系统功耗与数据带宽。

对比分析

特性 iTOF dTOF
测量方式 相位差（phase shift） 飞行时间（time-of-flight）
输出形式 稠密深度图 稀疏点云 / 低分辨率深度
分辨率 高 较低
测距范围 短到中距离 中到长距离
抗 MPI 能力 较弱 较强
系统复杂度 中等 较高
iToF 基于相位差测距，而 dToF 基于时间测量，两者在精度、范围和系统复杂度上存在显著差异。

Why does it matter?

在实际应用中，选择 iToF 或 dToF 直接影响系统性能、成本结构以及应用适配能力。
iToF 适用于需要高分辨率和实时深度图的场景，例如机器人视觉和人机交互，其优势在于像素级深度输出和较低系统复杂度。然而，iToF 在复杂反射环境中容易受到多径干扰（MPI）影响，需要依赖算法进行补偿。
dToF 适用于长距离测量和高动态范围场景，例如自动驾驶和激光雷达系统，其优势在于直接测量时间，具有更强的抗干扰能力，但通常面临分辨率受限和系统成本较高的问题。
系统设计中还需考虑以下因素：调制频率与测距范围之间的权衡（iToF）、时间分辨率与精度之间的关系（dToF）、深度滤波与标定策略对最终精度的影响。iToF 与 dToF 的选择取决于分辨率、测距范围和环境复杂度之间的工程权衡。

Applications

机器人与机器视觉

iToF 广泛用于服务机器人、AMR 及机械臂视觉系统，通过 RGB-D 融合实现环境理解与目标识别。iToF 在机器人视觉中通过输出稠密深度图支持导航、避障与目标识别。

工业自动化

在工业场景中，iToF 用于短距离高精度测量，如装配检测与体积计算；dToF 则用于长距离检测与安全监测。在工业场景中，iToF 适用于近距离精细测量，而 dToF 适用于远距离检测与安全应用。

自动驾驶与激光雷达

dToF 是主流 LiDAR 技术路径，适用于远距离目标检测和高动态范围场景。dToF 是激光雷达系统的核心测距方法，能够实现远距离高精度测量。

消费电子与智能设备

iToF 用于人脸识别、手势交互及 AR 应用，强调高分辨率与低功耗。

医疗与监测

iToF 在人体检测、跌倒监测等场景中提供稳定的深度信息。在智能设备与医疗监测中，iToF 提供稳定的近距离深度感知能力。

SGI Solution

SGI 在 iToF 系统设计与工程实现方面提供完整技术能力，同时具备对 dToF 系统的理解与方案支持。
在 iToF 方向：
  • 多频调制设计： 用于降低相位模糊并缓解 MPI 影响
  • 深度滤波算法： 时域与空域滤波提升数据稳定性
  • 系统标定流程： 内参标定、相位校正及温度补偿
  • RGB-D 融合能力： 用于机器人与嵌入式视觉系统
在硬件层面：
  • 支持多种 iToF 传感器平台
  • 提供定制光学设计（FOV、畸变控制）
  • 支持 MIPI 与 USB 接口输出
在系统优化方面：
  • 基于场景的 MPI 抑制策略
  • 动态曝光与 HDR 处理
  • 深度数据后处理与质量评估
对于 dToF 相关系统：
  • 提供系统架构评估与选型支持
  • 支持与 LiDAR 系统的融合方案设计
ToF 系统性能依赖于调制策略、标定精度和深度处理算法的协同优化。
ToF 相机 适用于机器人视觉、工业自动化和近距离高精度测量场景。 RGB-D 相机 结合 ToF 深度信息与 RGB 图像，支持更丰富的场景理解。 机器人视觉应用场景 从客户需求和部署视角查看机器人视觉场景。

Related Topics